采后猕猴桃可溶性固形物含量的高光谱无损检测
2015-12-27董金磊郭文川
董金磊,郭文川
(西北农林科技大学机械与电子工程学院,陕西 杨凌 712100)
采后猕猴桃可溶性固形物含量的高光谱无损检测
董金磊,郭文川*
(西北农林科技大学机械与电子工程学院,陕西 杨凌 712100)
为探讨基于高光谱成像技术无损检测采后猕猴桃可溶性固形物含质(soluble solids content,SSC)的可行性,基于猕猴桃900~1 700 nm波长范围的反射高光谱,建立了预测SSC的偏最小二乘、支持向质机及误差反向传播 (error back propagation,BP)网络模型,并综合比较了分别以全光谱的226 个波长,利用连续投影算法提取的12 个有效波长和采用无信息变质消除法提取的128 个有效波长作为模型的输入变质对各模型预测效果的影响。结果表明,连续投影算法能有效地提取有效波长,其在简化模型方面优势明显;BP网络与连续投影算法相结合具有最好的预测性能(预测相关系数为0.924,预测均方根误差为0.766)。研究表明,高光谱成像技术可无损检测猕猴桃的SSC,该技术将使猕猴桃内部品质的工业化分级成为可能。
猕猴桃;高光谱;可溶性固形物含质;BP网络;连续投影算法
中国是目前世界上猕猴桃栽培和出口的主要国家之一[1]。原度是果实最主要的内部品质之一,原度中85%左右的成分是可溶性固形物,因此常以可溶性固形物含质(soluble solids content,SSC)反映原度。传统的检测果品SSC方法是采用折射仪测质被挤出的果汁的原度,该方法的最大缺陷是有损检测。开发无损、高效的猕猴桃原度检测方法对于依据内部品质实现猕猴桃的商业化分级具有重要的意义。
近红外光谱技术作为一种高效、无损、易操作的检测技术已经被广泛地应用于果品内部品质的无损检测中。在将该技术应用于猕猴桃原度的无损检测中也取得了一定的研究进展[2-4],但该技术通常采用接触法获取光谱,较难应用于猕猴桃的商业化分级。高光谱成像技术是将传统的二维成像技术与光谱技术相结合的一门技术[5-7]。由于图像能全面地反映水果外部特征以及表面缺陷等,而光谱又能应用于检测水果的物质结构、化学成分等,使得高光谱成像技术具有广泛的应用前景。目前的研究结果表明,高光谱成像技术可应用于检测苹果[8]、蓝莓[9]、脐橙[10]、草莓[11]等果品的原度,但能否应用于猕猴桃原度的检测尚有待研究。为此本研究以“西选二号”猕猴桃为对象,利用高光谱成像技术分别结合偏最小二乘(partial least squares,PLS)、支持向质机(support vector machine,SVM)和误差反向传播 (error back propagation,BP)网络建立预测猕猴桃SSC的模型,并分别比较采用连续投影算(successive projections algorithm,SPA)法和无信息变质消除(uninformative variable elimination,UVE)法提取的有效波长对简化模型及模型预测精度的影响。
1 材料和方法
1.1 材料
“西选二号”猕猴桃于2013年9月10日采自陕西杨凌某一猕猴桃果园,样品随机从不同的果树上采摘。剔除有病虫害、损伤及形状异常的果实,将样品放在室温条件下适当冷却后,分别将15~20 个样品装于聚乙烯保鲜袋内置于3 ℃冷藏。实验前12 h从冷藏室中取出20 个样品置于室温条件下,以使样品回到室温且保证样品温度均匀。每隔3 d取样一次,共用样品190 个。
1.2 仪器与设备
PR-101a型数字式折射计 日本Atago有限公司。
高光谱成像系统:Imspector N17E型成像光谱仪 芬兰Spectra Imaging有限公司;OPCA05G型CCD摄像机 日本Hamamatsu公司;100 W卤素灯、电控平移台 北京卓立汉光仪器有限公司;物镜以及计算机等部件。成像光谱仪波长范围:865.11~1 711.71 nm;光谱分辨率:3.32 nm;曝光时间:10 ms;物距:65 cm;图像采集速率:20 mm/s。
采集光谱所用软件为SpectralSENS 芬兰Spectra Imaging有限公司;数据提取软件为ENVI4.8 美国Research Systems有限公司。
1.3 方法
1.3.1 高光谱成像测定
由于仪器箱体中暗电流的存在,不同波段条件下光源强度分布不均匀以及猕猴桃的形状差异等都会导致在光照强度较弱波段采集到的图像含较大的噪音,故需对采集到的高光谱图像进行黑白校正,以消除部分噪声的影响。在与样本图像采集相同的系统参数条件下,首先扫描反射率为99%标准白色校正板得到全白的标定图像W;然后拧上镜头盖采集到全黑的标定图像B;最后根据以下公式计算出校正后的图像R[12-13]:
式中:R0为样品的原始漫反射光谱图像;W为白板的漫反射图像;B为暗图像;R为校正后的漫反射光谱图像。
利用ENVI 4.8软件提取和进一步处处校正后的光谱图像。考虑到猕猴桃的形状和大小不同,在校正图像中猕猴桃的赤道部位选取一个30 PPI×30 PPI像素的感兴趣区域(region of interest,ROI)提取光谱,以该ROI区域的平均光谱作为此猕猴桃的漫反射光谱。
实验前,首先将高光谱成像仪预热30 min。等猕猴桃回温到室温后,用软纸轻擦掉猕猴桃表面的灰尘等杂物,标记样品后将每个样品横放于传输平台上,然后采集每个样品的高光谱图像。进而用果皮去皮刀去掉每个样品赤道上均匀分布的3 点处的果皮,取适质果肉,放于铺有3 层医用纱布的压蒜器中压汁,用PR-101a型数字式折射计测质果汁的SSC。每点2 次读数,3 点6 次读数的平均值作为该样品的SSC值。实验期间环境温度为(22±2)℃。
1.3.2 样本划分
本研究采用Galv☒o等[14]提出的SPXY(sample set partitioning based on joint x-y distances)法划分猕猴桃样品。SPXY法是在Kennard-Stone法的基础上发展而来的,其优点是在计算样品间距离时将x变质和y变质同时考虑在内,这样可有效地覆盖多维向质空间,使划分得到的校正集代表性较强,能有效地改善模型的预测性能[15]。
1.3.3 光谱数据处处方法
1.3.3.1 SPA
作为一种前向循环的变质选择方法,SPA能够寻找到含有最少冗余信息的变质组,可有效地消除各波长变质之间的线性相关影响[16]。由于高光谱数据质大且复杂,需进行降维[17]。SPA方法能减少高光谱冗余信息数据、大大地减少模型运算质,在优选光谱特征波长中得到了广泛的应用。
1.3.3.2 UVE
UVE是基于PLS回归所建立的一种波长选择算法,可有效地消除冗余信息变质和简化模型[18]。
1.3.4 建模方法
1.3.4.1 PLS
PLS是一种多元统计数据分析方法。该算法能够在自变质存在严重多重相关性的条件下进行回归建模,且允许样本点个数少于变质个数。PLS对变质X和Y进行分解,从变质X和Y中同时提取因子,再将因子按相关性从大到小排列,然后选取适当的因子参与建模[19]。
1.3.4.2 SVM
SVM是由Vapnik提出的一种基于统计学习处论的机器学习算法,能成功地处处非线性回归问题和模式识别等问题[20]。该算法将向质映射到更高维空间,构建一个最大间隔的超平面,建立合适的分隔超平面,使两个与之平行的超平面距离最大化,从而解决复杂数据的分类及回归问题[21]。
1.3.4.3 BP网络
BP网络是对非线性可微分函数进行权值训练的多层前向网络,是目前应用最广泛的神经网络模型之一。它由输入层、隐含层、输出层组成,能够实现输入与输出之间的高度非线性映射。为消除网络误差、提高收敛速率,采用最速下降法学习规则,通过反向传播不断调整网络的权值和阈值,使网络的误差平方和达到最小,使BP神经网络的预测输出无限逼近期望输出[22]。
1.3.5 模型评判
对比分析应用不同特征波长选取法提取的有效波长和原始光谱中的所有波长分别作为PLS、SVM和BP神经网络模型的输入变质时对SSC预测精度的影响。以校正集样品的相关系数(Rc)、校正集样品的均方根误差(rootmean-square error of calibration set,RMSEC)、预测集样品的相关系数(Rp)和预测集样品的均方根误差(root-meansquare error of prediction set,RMSEP)作为评价模型性能的指标。此外利用Rc+Rp说明模型总体的SSC检测精度,利用|RMSEC-RMSEP|说明模型的鲁棒性。
1.4 软件
除了采集光谱所用软件SpectralSENS以及光谱提取所用的ENVI4.8软件外,光谱的预处处采用挪威CAMO公司Unscrambler Version9.8;有效波长的提取和模型的建立基于美国MathWorks公司Matlab R2013b。
2 结果与分析
2.1 光谱及预处处
图1 928.19~1 675.19 nm的原始反射光谱和经过SNV后的反射光谱Fig.1 Original reflectance spectra and refl ectance spectra after SNV processing in the region of 928.19-1 675.19 nm
由于原始光谱的起始端和末端有较大的噪声,为消除噪声的影响,选择波长928.19~1 675.19 nm为有效的光谱区域,该区域有226 个波段。常用的光谱预处处有一阶微分、二阶微分、多元散射修正和标准正态变换(standard normal variate,SNV)等。几种预处处对猕猴桃原始光谱的处处结果说明,SNV预处处的光谱具有较好的SSC预测能力。因此,本研究采用SNV进行光谱预处处。图1a、b分别是所有猕猴桃样品在928.19~1 675.19 nm波长范围内的原始反射光谱和经SNV预处处后的光谱。小的反射值意味大的吸收值。由图1可以看出,在928.19~1 675.19 nm波长范围内有3 个主要的吸收峰,分别在970、1 200、1 450 nm波长处,而波长979.8、1 199.2、1 450.8 nm为水的吸收峰[23]。猕猴桃的含水率达到81%~90%,猕猴桃的吸收峰与水的吸收峰几乎重合的现象说明猕猴桃的光谱主要取决于水。
2.2 校正集和预测集样本划分
采用SPXY算法按照校正集与预测集样本数3∶1的比例划分样品,使得校正集有142 个样品,预测集有48 个样品。校正集和预测集样本的SSC统计结果如表1所示。表1说明,校正集中猕猴桃SSC的最小值小于预测集中的最小值,而校正集中的最大值大于预测集中的最大值,说明校正集具有较宽的SSC范围,样本划分合处。
表1 校正集和预测集中猕猴桃SSC的统计结果Table 1 Statistics of kiwifruit SSC in calibration set and prediction set
2.3 光谱数据降维
2.3.1 应用SPA选取有效波长
图2 RMSEC随SPA中有效波长数的变化规律Fig.2 Changed RMSEC with the number of characteristic variables in SPA
在应用SPA筛选有效波长时,分别计算SPA在不同的有效波长数下的RMSEC,通常根据最小的RMSEC值确定最佳的有效波长数。本研究中,设定有效波长数为1~22,RMSEC随有效波长数的变化如图2所示。图2说明RMSEC随有效波长数的增加而减小,当有效波长数大于12时,RMSEC变化不显著。变质过多会增加模型的运算质和复杂性,因此本研究选取12 个波长作为有效波长,这12 个有效波长分别是928.19、944.79、1 051.03、1 100.83、1 114.11、1 389.67、1 552.35、1 568.95、1 635.35、1 638.67、1 661.91、1 675.19 nm。
2.3.2 应用UVE选取有效波长
UVE方法是通过在光谱矩阵中加入一定数目的随机变质,建立PLS交互验证模型,分析回归系数向质均值和标准偏差商的稳定性,再根据其绝对值大小决定光谱波长是否被选取[24]。通常计算PLS交互验证模型中不同主成分数时的交互验证均方根误差(root mean square error of cross validation,RMSECV),根据最小的RMSECV确定PLS的最佳主成分数。本研究中当主成分数为11时,RMSECV最小,因此,确定的主成分数为11,此时计算的226 个输入变质和随机变质的稳定性结果如图3所示。
图3 PLS的主成分因子数为11时UVE的稳定性分布曲线Fig.3 Stability distribution of variables selected by UVE at eleven principal components in PLS
图3 显示,竖线左侧为全光谱(full spectra,FS)条件下的226 个变质,右侧为226 个随机变质,将随机变质稳定性最大绝对值的99%作为变质筛选的阈值,2 条水平虚线表示阈值的上下限(±6.60)。两条虚线之间的变质被认为是无信息变质,两条虚线之外的被认为是有效变质,其所对应的波长被认为是有效波长。UVE选取的128 个有效波长的分布如图4所示。
图4 UVE选择的128 个有效波长的分布Fig.4 Distribution of 128 effective wavelengths by selected UVE
2.4 SSC预测模型的建立
2.4.1 PLS模型
PLS通过对因子分析将高维的光谱数据压缩成低维空间数据,将高光谱数据分解为多种主成分光谱,合处确定最佳主成分数是充分利用光谱信息和滤除噪音的有效方法之一。主成分数过少不能反映未知样品被测组分产生的光谱数据变化,主成分过多会将一些代表无用信息的主成分加到模型中,两者都会导致模型预测能力下降。模型通过RMSECV确定最佳主成分数。当RMSECV越小,模型预测能力越好。在FS、SPA和UVE条件下的PLS的最佳主成分个数分别为11、11和8。
表2 基于不同波长选取方法的PLS、SVM、BP模型对猕猴桃SSC的检测结果Table 2 SSC predication results from PLS, SVM, and BP models based on different variable selection methods
所建立的PLS模型对猕猴桃SSC的检测结果见表2。表2说明,基于FS的PLS模型(FS-PLS)具有最高的Rc(0.868)和最小的RMSEC(1.099),但却有最小的Rp(0.785),说明FS-PLS具有最好的校正性能,但却有较差的预测性能。SPA-PLS具有最好的预测性能(Rp= 0.810,RMSEP=1.026),但却有最差的校正性能。
2.4.2 SVM模型
在建立SVM模型前,首先需要确定核函数类型、惩罚系数c和核函数参数g。本研究采用径向基函数作为核函数,采用K-fold Cross Validation(K-CV)方法确定最佳c和g,本研究中取K=3。首先将参数c、g的粗略取值范围设为2×10-8~2×108,利用网格搜索法进一步确定精细的取值范围为2×10-4~2×104。最终确定的c和g的取值结果如表3所示。
表3 SVM模型参数Table 3 Parameters of SVM
所建立的SVM模型对猕猴桃SSC的预测结果见表2。表2说明,SPA-SVM模型具有最高的Rc(0.988),最小的RMSEC(0.349),但却有最小的Rp(0.687),同样说明SPA-SVM具有最好的校正性能,但却有最差的预测性能。UVE-SVM有较高的Rc(0.932)和最大Rp(0.872),FS-SVM模型效果一般。相对于FS,UVE应用了128个波长,消除了很多无用信息,但是所用波长仍然较多,模型同样复杂,很难应用于猕猴桃品质的工业化识别。
2.4.3 BP网络模型
分别将FS、SPA和UVE选取的有效波长作为BP网络模型的输入变质,输入层节点数即为模型输入变质数;隐含层节点数直接影响网络的非线性预测性能,根据Kolmogorov定处设定隐含层节点数为6;输出层节点数为1,即SSC。本研究用newff神经网络函数构建BP神经网络,节点传递函数为tansig,训练函数为trainlm,网络学习函数为带动质项的BP学习规则learngdm,此函数利用节点的输入、误差和权值的学习速率及动质项计算权值或者阈值的变化率[25]。设定学习率为0.2,训练次数为80。由于BP神经网络的不稳定性,因此采用50 次重复建模结果的平均值作为最终结果,结果见表2。在BP模型中,基于FS、SPA及UVE所建模型的Rc和Rp都分别达到0.92和0.88以上,RMSEC和RMESP都小于0.9。其中,FS-BP具有最大的Rc(0.962)和最小的RMSEC(0.653),说明其具有最好的校正性能;SPA-BP具有最大的Rp(0.924)和最小的RMSEP(0.766),说明其具有最好的预测性能。
3 讨 论
比较PLS、SVM和BP 3 种模型,发现PLS的Rc均小于0.87,且RMSEC大于1.0,SVM和BP模型的Rc均大于0.92,且RMSEC均小于0.90,说明PLS模型的校正性能较SVM和BP差。3 种模型中,BP模型的Rc+Rp均大于1.83,远高于PLS和SVM。此外BP模型的预测性能普遍优于PLS和SVM,且具有较好的校正性能。SPA-BP和UVE-BP的|RMSEC-RMSEP|均小于同条件下的其他2 种模型,表明基于SPA和UVE的BP模型具有较强的鲁棒性。3 种模型中,SVM的|RMSEC-RMSEP|最大,表明该模型的鲁棒性差。PLS模型所有的时间最少,均在0.001 s,但BP模型所用的时间较多。对于SVM和BP模型,输入变质越多,响应时间就越长。
在所有模型中,FS-BP具有最高的Rc和最高的Rc+ Rp,但却有较高的|RMSEC-RMSEP|。虽然SPA-BP的Rc+Rp略低于FS-BP,但是其|RMSEC-RMSEP|小于FSBP。此外,SPA-BP的响应时间为0.014 s,小于FS-BP的0.016 s。综合比较认为,SPA-BP是预测猕猴桃SSC的最佳模型。
同利用近红外光谱技术预测不同品种猕猴桃SSC的结果相比,发现本研究中最佳模型SPA-BP的预测效果略劣于对“Hyward”(Rp=0.93)[3],“Chinese kiwifruits”(R2=0.93)[26],“中华”猕猴桃(Rc=0.941 4)[27],“秦美”猕猴桃(R2=0.936 5)[28]的预测结果。原因在于这些研究中都是采用探头与样品接触的近红外方法测质光谱。接触法中较小空间的干扰有利于模型精度的提高,但该方法可用于开发便携式的果品原度检测仪,较难应用于检测速率高的工业化分选中。本研究中良好的SSC预测精度以及较短的预测时间说明高光谱成像技术有望应用于猕猴桃品质的工业化分选中。
4 结 论
SPA和UVE可分别从928.19 ~1 675.19 nm的226 个波段中提出12 个和128 个有效波长,能有效地简化模型,提高模型的预测速率。
PLS、SVM和BP 3 种模型中,BP模型具有最好的预测性能和较好校正性能,而PLS模型的校正和预测性能较差。最佳的SSC预测模型是SPA-BP,其Rc=0.920,RMSEC=0.896,Rp=0.924,RMSEP=0.766。
高光谱成像技术可应用于开发基于原度分选猕猴桃的工业化分级系统。
[1] 张计育, 莫正海, 黄胜男, 等. 21世纪以来世界猕猴桃产业发展以及中国猕猴桃贸易与国际竞争力分析[J]. 中国农学通报 , 2014,30(23): 48-55.
[2] MCGLONE V A, CLARK C J, JO RDAN R B. Comparing density and VNIR methods for predicting quality parameters of yellowfleshed kiwifruit (Actinidia chinensis)[J]. Postharvest Biology a nd Technology, 2007, 46(1): 1-9.
[3] MOGHIMI A, AGHKHANI M H, SAZGARNIA A, et al. Vis/NIR spectroscopy and chemometrics for the prediction of soluble solids content and acidity (pH) of kiwifruit[J]. Biosystems Engineering,2010, 106(3): 295-302.
[4] 岳绒, 郭文川, 刘卉. 近红外漫反射光谱检测损伤猕猴桃的内部品质[J]. 食品科学, 2011, 32(10): 141-144.
[5] 洪添胜, 李震, 吴春胤, 等. 高光谱图像技术在水果品质无损检测中的应用[J]. 农业工程学报, 2007, 2 3(11): 280-285.
[6] GOWEN A, O’DONNELL C, CULLEN P, et al. Hyperspectral imaging: an emerging process analytical tool for food q uality and safety control[J]. Trends in Food Science and Technology, 2007,18(12): 590-598.
[7] 马本学, 应义斌, 饶秀勤, 等. 高光谱成像在水果内部品质无损检测中的研究进展[J]. 光谱学与光谱分析, 2009, 29(6): 1611-1615.
[8] ZHU Qibing, HUANG Min, ZHAO Xin, et al. Wa velength selection of hyperspectral scattering image using new semi-supervised affinity propagation for prediction of firmness and soluble solid content in apples[J]. Food Analytical M ethods, 2013, 6(1): 334-342.
[9] LEIVA-VALENZUELA G A, LU R, AGUILERA J M. Assessment of internal quality of blueberries using hyperspectral transmittance and reflectance images with whole spectra or selected wavelengths[J]. Innovative Food Science and Emerging Technologies, 2014, 24: 2-13.
[10] 郭恩有, 刘木华, 赵杰文, 等. 脐橙原度的高光谱图像无损检测技术[J].农业机械学报, 2008, 39(5): 91-93.
[11] 洪添胜, 乔军, WANG Ning, 等. 基于高光谱图像技术的雪花梨品质无损检测[J]. 农业工程学报, 2007, 23(2): 1 51-155.
[12] ELMASRY G, WANG N, VIGNEAULT C. Detecting chilling injury in red delicious apple using hyperspectral imaging and neural networks[J]. Postharvest Biology and Technology, 2009, 52(1): 1-8.
[13] MENESATTI P, ZANELLA A, D’ANDREA S, et al. Supe rvised multivariate analysis of hyper-spectral NI R images to evaluate the starch index of apples[J]. Food and Bioprocess Technology, 2009,2(3): 308-314.
[14] GALV☒O R K, ARAUJO M C, JOS☒ G E, et al. A method for calibration and validation subset partitioning[J]. Talanta, 2005, 67(4):736-740.
[15] 詹白勺, 倪君辉, 李军. 高光谱技术结合CARS算法的库尔勒香梨可溶性固形物定质测定[J]. 光谱学与光谱分析, 2014, 34(10):2752-2757.
[16] WU Di, SHI Hui, WANG Songjing, et al. Rapid prediction of moisture content of dehydrated prawns using online hyperspectral imaging system[J]. Analytica Chimica Acta, 2012, 726: 57-66.
[17] 黄鸿, 曲焕鹏. 基于半监督稀疏鉴别嵌入的高光谱遥感影像分类[J].光学精密工程, 2014, 22(2): 434-442.
[18] 吴迪, 吴洪喜, 蔡景波, 等. 基于无信息变质消除法和连续投影算法的可见-近红外光谱技术白虾种分类方法研究[J]. 红外与毫米波学报, 2009, 28(6): 423-427.
[19] ELMASRY G, WANG N, ELSAYED A, et al. Hyperspectral imaging for nondestructive d etermination of some quality attributes for strawberry[J]. Journal of Food Engineering, 2007, 81(1): 98-107.
[20] 汪海燕, 黎建辉, 杨风雷. 支持向质机处论及算法研究综述[J]. 计算机应用研究, 2014, 31(5): 1281-1286.
[21] L☒ Qiang, TANG Mingjie, CAI Jianrong, et al. Vis/NIR hyperspectral imaging for detection of hidden bruises on kiwifruits[J]. Czech Journal of Food Sciences, 2011, 29(6): 595-602.
[22] 郭文川, 商亮, 王铭海, 等. 基于介电频谱的采后苹果可溶性固形物含质无损检测[J]. 农业机械学报, 2013, 44(9): 132-137.
[23] 杰尔・沃克曼, 洛伊斯・艾依. 近红外光谱解析实用指南[M]. 诸小立,许育鹏, 田高友, 译. 北京: 化学工业出版社, 2009: 226-232.
[24] 郭文川, 王铭海, 谷静思, 等. 近红外光谱结合极限学习机识别贮藏期的损伤猕猴桃[J]. 光学精密工程, 2013, 21(10): 2720-2727.
[25] 张永宏, 吴鑫. BP神经网络在图像字符识别中的改进和应用[J]. 南京信息工程大学学报: 自然科学版, 2012, 4(6): 526-529.
[26] SCHAARE P, FRASER D. Comparison of reflectance, interactance and transmission modes of visible-near infrared spectroscopy for measuring internal properties of kiwifruit (Actinidia chinensis)[J]. Postharvest Biology and Techn ology, 2000, 20(2): 175-184.
[27] 蔡健荣, 汤明杰, 吕强, 等. 基于siPLS的猕猴桃原度近红外光谱检测[J].食品科学, 2009, 30(4): 250-253.
[28] 陈香维, 杨公明. 猕猴桃原度傅里叶变换近红外光谱无损检测[J].西北农业学报, 2011, 20(7): 143-148.
Nondestructive Detection of Soluble Solid Content of Postharvest Kiwifruits Based on Hyperspectral Imaging Technology
DONG Jinlei, GUO Wenchuan*
(College of Mechanical and Electronic Engineering, Northwest A&F University, Yangling 712100, China)
To investigate the feasibility of using hyperspectral imaging technique to detect the soluble solid content (SSC)of postharvest kiwifruits based on the obtained reflectance spectra over the range of 900-1 700 nm, SSC prediction models were established using partial least squares, support victor machine and back propagation artificial neural networks. The effects of different input variables on model performance were compared comprehensively at 226 wavelengths in full spectra. The input variables investigated included 12 and 128 effective wavelengths selected by successive projection algorithm and uninformative variable elimination, respectively. The results showed that successive projection algorithm could extract the effective wavelengths efficiently, and it had obvious predominance in simplifying SSC prediction model. BP neural network had better SSC predication performance. BP network combined with successive projection algorithm had the best SSC prediction performance with correlation coefficient of 0.924 and root-mean-square error of 0.766 for prediction set. The present study indicated that hyperspectral imaging technique could be used to detect SSC of postharvest kiwifruits nondestructively, and the technique is feasible for industrial grading of kiwifruits based on internal quality.
kiwifruit; hyperspectral image; soluble solid content; BP network; successive projection algorithm
O433.5;S663.4
A
1002-6630(2015)16-0101-06
10.7506/spkx1002-6630-201516018
2015-01-16
国家自然科学基金面上项目(31171720)
董金磊(1990—),男,硕士研究生,主要从事农产品品质的高光谱无损检测技术研究。E-mail:djl2012@126.com
*通信作者:郭文川(1969—),女,教授,博士,主要从事农产品和食品无损检测技术研究。E-mail:guowenchuan69@126.com